基于改进型D3QN深度强化学习的铁路智能选线方法

传统的人工选线方法劳动强度大，设计效率低，随着我国铁路建设重心向西部复杂艰险山区转移，人工选线面临的困难日趋凸显。为缩减铁路选线的人力物力成本，提高设计效率，亟需发展结合了人工智能和信息技术的现代选线技术。为此，提出一种基于深度强化学习理论的铁路智能选线方法。以带有空间属性信息的数字高程模型为选线环境，以相邻空间点间的建造费用为即时奖励，以工程建造费用最小为优化目标，设置离散化的备选动作，考虑多种约束条件，构建面向铁路选线的深度强化学习模型。结合深度学习的感知能力和强化学习的决策能力，利用双竞争深度Q学习网络(DuelingDouble-Deep Q Network,D3QN)对模型进行训练，既克服强化学习问题对复杂状态和动作空间难以收敛的缺点，同时解决了传统DQN算法易于出现过估计、训练不稳定的问题，实现自动对选线环境进行感知、搜索、判断、决策，最终寻得目标函数最优的线路方案。以某山区铁路对本方法进行验证，实验结果表明：该方法能搜索到多样化的线路备选方案，可以为设计人员提供新的设计思路；有效降低了铁路建设的经济费用，较人工选线方案节约最多达17.5%。智能选线方法可以帮助节省选线工作...

Intelligent railway location design approach based on enhanced D3QN deep reinforcement learning